Tenengrad梯度方法、Laplacian梯度方法和方差方法求图像的清晰度！

深藏阁楼爱情的钟 2022-05-11 06:14 438阅读 0赞

这里实现3种清晰度评价方法，分别是Tenengrad梯度方法、Laplacian梯度方法和方差方法。 这里分别用一组照片 计算每个图片的清晰度的值

## Tenengrad梯度方法 ##

Tenengrad梯度方法利用Sobel算子分别计算水平和垂直方向的梯度，同一场景下梯度值越高，图像越清晰。以下是具体实现，这里衡量的指标是经过Sobel算子处理后的图像的平均灰度值，值越大，代表图像越清晰。

\#include <highgui/highgui.hpp>  
\#include <imgproc/imgproc.hpp>

using namespace std;
    using namespace cv;
    
    int main()
    {
    	Mat imageSource = imread("C：//zqx.jpg");
    	Mat imageGrey;
    
    	cvtColor(imageSource, imageGrey, CV_RGB2GRAY);
    	Mat imageSobel;
    	Sobel(imageGrey, imageSobel, CV_16U, 1, 1);
    
    	//图像的平均灰度
    	double meanValue = 0.0;
    	meanValue = mean(imageSobel)[0];
    
    	//double to string
    	stringstream meanValueStream;
    	string meanValueString;
    	meanValueStream <<meanValue;
    	meanValueStream>> meanValueString;
    	meanValueString = "Articulation(Sobel Method): " + meanValueString;
    	putText(imageSource, meanValueString, Point(20, 50), CV_FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 25), 2);
    	imshow("Articulation", imageSource);
    	waitKey();
    }

使用三张测试图片模拟不同对焦。第一张最清晰，得分最高，第二三张越来越模糊，得分依次降低。

![20161209200522391][]

![20161209200535032][]

![20161209200601329][]

## Laplacian梯度方法： ##

Laplacian梯度是另一种求图像梯度的方法，在上例的OpenCV代码中直接替换Sobel算子即可。 可以直接把 上面一个算法中的定义的soble算子 注释掉，然后新定义一个Laplacian算子，通道还是CV\_16U 的。

\#include <imgproc/imgproc.hpp>

using namespace std;
    using namespace cv;
    
    int main()
    {
    	Mat imageSource = imread("1.jpg");
    	Mat imageGrey;
    
    	cvtColor(imageSource, imageGrey, CV_RGB2GRAY);
    	Mat imageSobel;
    
    	Laplacian(imageGrey, imageSobel, CV_16U);
    	//Sobel(imageGrey, imageSobel, CV_16U, 1, 1);
    
    	//图像的平均灰度
    	double meanValue = 0.0;
    	meanValue = mean(imageSobel)[0];
    
    	//double to string
    	stringstream meanValueStream;
    	string meanValueString;
    	meanValueStream << meanValue;
    	meanValueStream >> meanValueString;
    	meanValueString = "Articulation(Laplacian Method): " + meanValueString;
    	putText(imageSource, meanValueString, Point(20, 50), CV_FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 25), 2);
    	imshow("Articulation", imageSource);
    	waitKey();
    }

用同样的三张测试图片测试，结果一致，随着对焦模糊得分降低：

![20161209201327129][]

![20161209201344582][]

![20161209201356001][]

## 方差方法： ##

方差是概率论中用来考察一组离散数据和其期望（即数据的均值）之间的离散（偏离）成都的度量方法。方差较大，表示这一组数据之间的偏差就较大，组内的数据有的较大，有的较小，分布不均衡；方差较小，表示这一组数据之间的偏差较小，组内的数据之间分布平均，大小相近。

对焦清晰的图像相比对焦模糊的图像，它的数据之间的灰度差异应该更大，即它的方差应该较大，可以通过图像灰度数据的方差来衡量图像的清晰度，**方差越大，表示清晰度越好**。 \#include <highgui/highgui.hpp> \#include <imgproc/imgproc.hpp>

using namespace std;
    using namespace cv;
    
    int main()
    {
    	Mat imageSource = imread("2.jpg");
    	Mat imageGrey;
    
    	cvtColor(imageSource, imageGrey, CV_RGB2GRAY);
    	Mat meanValueImage;
    	Mat meanStdValueImage;
    
    	//求灰度图像的标准差
    	meanStdDev(imageGrey, meanValueImage, meanStdValueImage);
    	double meanValue = 0.0;
    	meanValue = meanStdValueImage.at<double>(0, 0);
    
    	//double to string
    	stringstream meanValueStream;
    	string meanValueString;
    	meanValueStream <<meanValue*meanValue;
    	meanValueStream >>meanValueString;
    	meanValueString = "Articulation(Variance Method): " + meanValueString;
    
    	putText(imageSource, meanValueString, Point(20, 50), CV_FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 25), 2);
    	imshow("Articulation", imageSource);
    	waitKey();
    }

方差数值随着清晰度的降低逐渐降低：

![20161209202308570][]

![20161209202320482][]

![20161209202330820][]

**在工业应用中，最清晰的对焦拍摄出来的图像不一定是最好的，有可能出现摩尔纹（水波纹）现象，一般需要在最清晰对焦位置附件做一个微调。**

总结以上三种求 清晰度的算法，都适用，都能评价一组图像的 清晰度

[20161209200522391]: /images/20220511/2ae0178f84a6491cae5e8d5a099fdb4f.png
[20161209200535032]: /images/20220511/bde7a31f60ed40e4830449143cda5d8c.png
[20161209200601329]: /images/20220511/4a0c18e5231d43d5a31d31bfb0705c5e.png
[20161209201327129]: /images/20220511/fd683639772946c69bd90973e6d9181b.png
[20161209201344582]: /images/20220511/d5d30821e2ef4525bb2c2df7fbfaac81.png
[20161209201356001]: /images/20220511/ccce2d833a714d1b83065c1ba49fa6fc.png
[20161209202308570]: /images/20220511/4b418a5be94e4323ade437f9b3407724.png
[20161209202320482]: /images/20220511/d98a366b32f94ce6acdf394a52384e84.png
[20161209202330820]: /images/20220511/fa28bbe767a3468982a510447b3e6a48.png